Evolución Espectral de Olas PDF

Centro de Investigacion en Matematicas, A.C.
ESPECTRAL PARA
EVOLUCION
REGISTROS DE OLAS
Tesis
Que para obtener el Grado de:
Maestro en Ciencias con Orientaci
on en Probabilidad y
Estadstica
P R E S E N T A:
Carolina de Jes
us Euan Campos
Director:
Dr. Joaqun Ortega Sanchez
Guanajuato, Guanajuato, Mexico
30 Julio de 2012
Integrantes del Jurado.
Presidente: Dr. Miguel Nakamura Savoy

Secretario: Dr. Jos
e Luis Bat
un Cutz
Vocal y director de tesis: Dr. Joaqun Ortega S
anchez
Asesor:
Dr. Joaqun Ortega Sanchez.
Sustentante:
LM. Carolina de Jes

us Euan Campos.
Dedicatoria
A mis padres, Bolvar Concepcion Euan Perez y Mara Concepcion
Campos Alcocer.
Agradecimientos
A mis padres y hermanos por el apoyo que me han otorgado durante mi
formacion academica.
A mi asesor el Dr. Joaqun Ortega por su paciencia y confianza en m en
estos u
ltimos seis meses, as como su motivacion para continuar con mi desarrollo academico.
A mis sinodales el Dr. Miguel Nakamura y el Dr. Jose Luis Bat
un por sus
comentarios para mejorar este trabajo.
A la Dra. Graciela Gonzales por dar lectura y opiniones a este proyecto.
A todos mis profesores que formaron parte de mi formacion en la maestra,
en especial al Dr. Rogelio Ramos por sus ense
nanzas y consejos profesionales.
Al Consejo Nacional de Ciencia y Tecnologa (CONACyT) por la beca de
maestra que me fue otorgada.
i
RESUMEN
El analisis espectral de series de tiempo, ha sido estudiado a profundidad
debido a sus diversas aplicaciones. En este trabajo nos centramos en su
aplicacion al area de Oceanografa, donde los espectros se obtienen cada
20 o 30 minutos y por lo tanto un problema interesante, aunque poco
estudiado, es modelar la evolucion de estos en el tiempo. Dicho problema
es el objetivo principal que se analiza en esta tesis, mediante herramientas
de modelos autorregresivos para determinar la dependencia en el tiempo
y encontrar las relaciones entre frecuencias. Otro de los objetivos de este
proyecto es la caracterizacion de nuestros datos mediante representaciones
en bases funcionales, especficamente en bases B-splines.
En el Captulo 1 introducimos los conceptos basicos del analisis de series
temporales en el espacio de frecuencias as como la importancia de este
estudio en el area de Oceanografa. En el Captulo 2 definimos las dos
tecnicas basicas para el analisis estadstico, Ajustes B-splines y Modelos
Autorregresivos Vectoriales (VAR) junto con algunos ejemplos. Finalmente,
en el Captulo 3 presentamos la aplicacion de las tecnicas anteriores a tres
diferentes conjuntos de datos, dos correspondientes al desarrollo de tormentas
y uno mas a mar en calma, en este captulo comentamos acerca de la calidad
de los ajustes y de como obtener un ajuste optimo, ademas consideramos los
modelos VAR en cada caso y comparamos los modelos resultantes para cada
conjunto de datos.
ii
Indice general
Indice general
III
1. INTRODUCCION
1.1. Planteamiento del Problema y
Conceptos Basicos . . . . . . . . . . . . . . . . . . . . . . . .
1
1
2. METODOS
9
2.1. B-Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2. Modelos Autorregresivos Vectoriales (VAR) . . . . . . . . . . . 12
3. APLICACION
3.1. Tormenta del Mar
3.1.1. Datos . .
3.1.2. Resultados
3.2. Hawai Enero . . .
3.2.1. Datos . .
3.2.2. Resultados
3.3. Hawai Julio . . .
3.3.1. Datos . .
3.3.2. Resultados
del Norte
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
.
.
.
.
.
.
.
.
.
CONCLUSIONES
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
19
19
19
21
29
29
30
39
39
39
47
A. GRAFICOS
COMPARATIVOS DEL MODELO COMPLETO Y REDUCIDO PARA LA TORMENTA DEL MAR DEL
NORTE
49
iii
iv
INDICE GENERAL
B. GRAFICOS
COMPARATIVOS DEL MODELO COMPLETO Y REDUCIDO PARA LA TORMENTA DE HAWAI
(PRIMERA PARTE)
61
C. GRAFICOS
COMPARATIVOS DEL MODELO COMPLETO Y REDUCIDO PARA LA TORMENTA DE HAWAI
(SEGUNDA PARTE)
73
D. GRAFICOS
COMPARATIVOS DEL MODELO COMPLETO Y REDUCIDO PARA MAR EN CALMA DE HAWAI 85
Bibliografa
97
Captulo 1
INTRODUCCION
1.1.
Planteamiento del Problema y

Conceptos B
asicos
La nocion de que una serie de tiempo exhibe un comportamiento regular

o repetitivo en el tiempo es de fundamental importancia en la estadstica ya
que distingue el analisis de series de tiempo de la estadstica clasica, la cual
asume completa independencia sobre el tiempo.
El concepto de regularidad de una serie puede ser representado en terminos
de variaciones periodicas del fenomeno que produce la serie, expresadas como
frecuencias de Fourier en funcion de senos y cosenos. As, es la variabilidad de
los datos observados que muestran alg
un tipo de fluctuacion lo que justifica
el uso de metodos en el dominio de frecuencias.
Veamos a continuacion el siguiente ejemplo, tomado de Shumway y Stoffer
(2006), de una se
nal formada superponiendo oscilaciones periodicas con distintas frecuencias.
Ejemplo 1.1. Consideremos la siguiente serie X(t) construida como una
mezcla de senos y cosenos. Sean,
X1 (t) = 2 cos(2t(6/100)) + 3 sin(2t(6/100)),
X2 (t) = 4 cos(2t(10/100)) + 5 sin(2t(10/100)),
X3 (t) = 6 cos(2t(40/100)) + 7 sin(2t(40/100)),
1
1.1. PLANTEAMIENTO DEL PROBLEMA Y
CONCEPTOS BASICOS
5
0
x2
10
0
10
x1
10
= 10 100 A2 = 41
10
= 6 100 A2 = 13
20
40
60
80
100
20
40
60
Tiempo
Tiempo
= 40 100 A2 = 85
Suma
80
100
80
100
0
10
15
x3
15
10
20
40
60
80
100
20
Tiempo
40
60
Tiempo
Figura 1.1: Componentes periodicos y la serie construida mediante la suma

de los componentes.
y
X(t) = X1 (t) + X2 (t) + X3 (t).
(1.1)
Graficamente el comportamiento de esta serie se puede observar en la Figura

1.1. Notemos como la serie que resulta de la suma de estos componentes
presenta el comportamiento de variaciones periodicas antes mencionado.
As uno de los objetivos del analisis en el dominio de frecuencias es encontrar
estos componentes que dominan en la serie.
Antes de presentar una justificacion teorica del uso del dominio de
frecuencias, consideremos la siguiente definicion.
Definici
on 1.1 Sea X(t) una serie de tiempo, la cual cumple con las
siguientes condiciones:
E(X(t)) = E(X(0)) = m
(1.2)
Cov(X(t + h), X(t)) = Cov(X(h), X(0)) = (h), t.
(1.3)

CAPITULO 1. INTRODUCCION
Entonces, decimos que X(t) es d

ebilmente estacionario o estacionario
de segundo orden.
En este trabajo consideramos que nuestras series son debilmente estacionarias
o bien que en un periodo de tiempo corto pueden ser consideradas debilmente
estacionarias.
El analisis en el dominio de frecuencias no se basa solo en ideas intuitivas
sino que tiene su fundamento teorico, desde el punto de vista probabilstico,
en los siguientes teoremas.
Teorema 1.1 Representaci
on Espectral para la covarianza. Si la
funcion de autocovarianza, (h), de un proceso estacionario es integrable,
entonces esta tiene la representacion
Z
(h) =
exp(ih)f ()d
(1.4)
la cual es la transformada inversa de la densidad espectral, que tiene la

siguiente representacion,
Z
1
exp(ih)(h)dh, .
(1.5)
f () =
2
Teorema 1.2 Representaci
on Espectral para el Proceso. Sea X(t)
un proceso debilmente estacionario, con media cero y funcion de covarianza
(h) continua en 0. Sea f () la densidad espectral. Existe un proceso ()
con incrementos independientes tal que para cada t tenemos la representacion
espectral
Z
X(t) =
exp(it)d()
(1.6)
donde la integral estocastica se define como una integral en media cuadratica.

El proceso () esta definido salvo por una constante aditiva. Si fijamos
() = 0 entonces
E(()) = 0, E(|()|2 ) = F (), E(|d()|2 ) = f ()d().
(1.7)
Una demostracion para cada uno de los teoremas anteriores se puede

consultar en Cramer and Leadbetter (1967).
CONCEPTOS BASICOS
La densidad espectral tiene varias propiedades, entre ellas una de las mas
importantes es la siguiente,
Z
f ()d = (0) = V ar(Xt ),
es decir, la varianza total es la integral de la densidad espectral sobre el

dominio de frecuencias.
En terminos fsicos, esta propiedad nos indica que la densidad espectral
brinda informacion de como esta distribuida la potencia o la energa
(interpretando a la varianza total como energa total involucrada en el
proceso) de dicha se
nal sobre las distintas frecuencias de las que esta formada,
es decir, su espectro. En el caso de las olas, el movimiento aleatorio de estas
se considera como el resultado de la transferencia de energa del viento hacia
el mar. La interaccion entre el viento y el mar que genera la formacion de
olas es un fenomeno interesante y el espectro juega un papel importante en el
analisis de las propiedades estadsticas del movimiento aleatorio de las olas.
Un estado del mar es caracterizado por la distribucion estadstica de la
elevacion de la superficie del mar. Asumiremos que la media del nivel del
mar es cero y solamente consideraremos variaciones alrededor de la media.
La obtencion de los espectros para datos de altura de olas requiere suponer
que los datos corresponden a un proceso estacionario durante la periodo del
registro, sin embargo, suponer que el mar siempre mantiene el mismo estado
no es razonable. Usualmente se dividen los registros en lapsos de 20 o 30
minutos para el calculo de los espectros ya que se supone que durante perodos
de esta duracion el mar es aproximadamente estacionario (Figura 1.2). Los
datos de altura del mar son usualmente registrados por boyas, satelites o por
otro tipo de dispositivos.
Un estado del mar se caracteriza por la distribucion de la elevacion de la
superficie. En el caso de un modelo Gaussiano, la distribucion de la energa
sobre los componentes armonicos, el espectro, determina completamente las
propiedades del modelo. En el caso de no tener un modelo Gaussiano, en
general, se busca alguna transformacion de la variable. Es por ello que
la densidad espectral representa un papel importante en la modelacion
del movimiento de las olas. Actualmente, existen diversos metodos para
estimar la densidad espectral. Sin embargo, hay pocos analisis sobre la
evolucion de los espectros a medida que los estados del mar cambian, lo
cual se debe a que la teora base del analisis de frecuencias se encontraba
desarrollado para el caso estacionario. Mas a
un, no es hasta los a
nos 60s que

B. Priestley comenzo a definir el termino densidad espectral para procesos

no estacionarios.
El problema de la evolucion de los espectros es de interes tambien en otras
areas, como por ejemplo en Bioestadstica.
En Oceanografa en particular es de interes analizar como se producen los
cambios en la distribucion espectral a medida que pasa el tiempo, ya que los
momentos espectrales definidos como
Z
1/2
n f ()d,
mn =
1/2
tienen aplicacion en varios conceptos relevantes, como son:

Altura significativa. Esta medida trata de indicar la altura de las olas
mas altas que uno puede encontrarse durante un perodo de tiempo
razonable. En el caso de un modelo Gaussiano para las olas, es la media
del tercio superior de las alturas y su valor es
4 m0 .
Frecuencia y periodo medio. Si el espectro esta concentrado alrededor de
una frecuencia dominante, la frecuencia media proporciona el perodo
medio.
m1
m0
El conocimiento de las caractersticas del espectro es muy importante
en el dise
no de estructuras costeras y de agua profunda, como barcos,
plataformas petroleras, marinas, rompeolas, etc., cuya respuesta a las
distintas condiciones de oleaje deben ser bien estudiadas.
En condiciones usuales o bien de mar tranquilo, este analisis permite en
los perodos de estacionariedad de las olas caracterizar la distribucion de
la energa. En el caso de tormentas y huracanes es de interes entender como
evoluciona la distribucion de la energa a medida que la tormenta se desarrolla
para as tomar las acciones necesarias para prevenir los posibles desastres que
se pudiesen ocasionar debido al fenomeno.
CONCEPTOS BASICOS
0
4
Altura (m)
Altura de Olas
200
400
600
800
1000
1200
Tiempo (s)
0.0
0.5
Energa
1.0
1.5
Espectro
0.0
0.1
0.2
0.3
0.4
0.5
Frecuencia
Figura 1.2: Altura de olas y espectro correspondientes a un periodo de 20

minutos

Para estudiar los espectros lo usual es utilizar densidades espectrales

tpicas, que dependen de algunos parametros que deben ser estimados
en cada caso. Esto permite comparar resultados obtenidos bajo diferentes
hipotesis y tienen la ventaja adicional de que los calculos se simplifican. Los
dos tipos de espectro mas comunes son el de Pierson-Moskowitz
s( ) =
g2
exp (p / )4 , para 0 max ,
5
con frecuencia modal p , y el espectro JONSWAP (JOint North-Sea WAve

Project) definido por
s( ) =
g2
4
[exp((1 )2 /22 )]
exp
(
/
)
,
p
5
donde = 0.07 para < p , = 0.09 para > p . El parametro es

llamado el parametro de forma del pico y g es la constante gravitacional.
Por lo general estas formulas no describen con mucha precision a los espectros
reales, sino que hay diferencias significativas en algunos lugares. Por ello
decidimos utilizar en este trabajo una tecnica conocida pero no aplicada
antes en esta area para modelar los espectros.
Para comprender mejor las tecnicas de analisis que aplicaremos es necesario
conocer lo que se modela en cada una por ello el siguiente captulo nos
presenta de manera simple y concreta cada metodo.
CONCEPTOS BASICOS
Captulo 2
METODOS
En el desarrollo del trabajo consideramos dos tecnicas de analisis
estadstico y representacion de datos, las cuales mencionamos a continuacion
a detalle.
2.1.
B-Splines
Dada una funcion X(t), es de interes poder expresarla en funciones simples que puedan ser mas claras de interpretar. Ademas, esta representacion
puede ser tomada como base para comparar o establecer alguna relacion entre
dos o mas funciones.
Definici
on 2.1 Sea {k }K
k=1 un subconjunto de funciones base. Decimos que
X(t) tiene una expresion en funciones base si
X(t) =
K
X
ck k (t) = cT (t),
(2.1)
k=1
donde c = (c1 , . . . , cK )T y (t) = (1 , . . . , K )T .

Ejemplo 2.1. Sea X(t) = 2t2 + 3t 1, en este caso (t) = (t2 , t, 1)T y
c = (2, 3, 1)T .
Los sistemas base mas comunes son los splines y las series de Fourier. En
nuestro caso trabajaremos con el sistema de B-splines el cual es un caso particular de los splines.
Una base de un sistema spline esta definida por tres aspectos importantes.
9
10
2.1. B-SPLINES
0.0
0.2
0.4
0.6
0.8
1.0
Bases de Bspline
0.4
0.6
0.8
1.0
1.2
1.4
1.6
Figura 2.1: Bases de B-splines de orden 3 con 10 nodos y primera derivada

continua.
1. Puntos de corte o nodos, que dividen el intervalo de interes en
subintervalos.
2. El orden de los segmentos polinomiales que se ajustan en cada
subintervalo.
3. Grado de suavidad que se desea en cada nodo.
Las funciones de la base en un sistema B-spline tienen ciertas caractersticas
especiales. La primera funcion comienza en 1 y decrece hacia cero, la u
ltima
toma el comportamiento contrario. Las funciones interiores comienzan en
cero, crecen hacia un maximo ubicado en uno de los nodos y finalmente
decrecen a cero (forma de campana). Cada funcion es estrictamente positiva
en una cantidad de subintervalos adyacentes, la cual dependera del orden, y
cero fuera de esta region. En la Figura 2.1 se muestra un sistema de bases
B-splines de orden 3, primera derivada continua y con 10 nodos ubicados
equidistantes en el intervalo (0, 1.6).
En terminos de nuestro problema, en Oceanografa, es necesario darle una

CAPITULO 2. METODOS
11
interpretacion a cada coeficiente. Por la forma de los elementos de la base

antes explicados, cada base representa la energa en un rango finito, es decir,
si el coeficiente del i-esimo nodo es grande diremos que las frecuencias en
ese rango poseen energa influyente en el proceso. Para tener una idea mas
clara de esta interpretacion, consideremos el siguiente ajuste para un espectro
de la Tormenta del Mar del Norte (Figura 2.2), el cual se explicara mas a
detalle como se realizo en el siguiente captulo.
En este ejemplo, los coeficientes ajustados son:
c = (0.74, 5.32, 1.10, 0.62, 0.33, 0.10, 0.10, 0.04, 0.02, 0.02)T ,
por lo tanto se tiene que los nodos que mas aportan energa a este espectro son
los primeros cuatro nodos, teniendo mayor aportacion el segundo nodo. Los
nodos se encuentran igualmente espaciado en el rango [0.3835, 1.6183], por lo
tanto parece ser que la energa se concentra en [.4,1], teniendo mayor energa
en [.4,.7] aproximadamente. Esto solamente se deduce de los coeficientes y
las bases correspondientes que observamos en la Figura 2.1, sin embargo,
observando la Figura 2.2 notamos que esto coincide con la realidad. Este
aspecto es importante ya que el ajuste B-spline parece ser lo suficientemente
informativo.
Ajuste con 10 Nodos
0.4
0.6
0.8
1.0
1.2
1.4
1.6
rad/s
RMS residual = 0.0863
Figura 2.2: Ejemplo de ajuste B-spline.
12
2.2. MODELOS AUTORREGRESIVOS VECTORIALES (VAR)
Los sistemas de bases B-splines tienen una propiedad que es u

til
frecuentemente; la suma de las funciones base en cualquier punto t es igual
a uno, es decir,
K
X
k (t) = 1, para todo t.
k=1
A pesar de los beneficios del uso de bases B-splines, estos tienden a producir
ajustes un poco inestables cerca del principio o final del intervalo donde se
definen, ya que en esta region solo dependen de un coeficiente. Mas detalles
de esta tecnica se pueden consultar en Ramsay (2005).
2.2.
Modelos Autorregresivos Vectoriales (VAR)
Si las observaciones de una serie temporal de una variable de interes estan

disponibles, es logico pensar en una funcion que utilice esta informacion para
construir un modelo y predecir el futuro. Mas a
un si el valor de una variable
no esta relacionado solo con sus antecesores en el pasado sino que tiene
relacion con el pasado de otras variables, es plausible pensar en una funcion
que capture esta informacion.
En muchas ocasiones es de interes conocer la relacion o dependencia entre
un conjunto de variables. Mas a
un en nuestros espectros, una vez modelados
con los coeficientes de los nodos del ajuste B-spline, sera de interes conocer
la dependencia entre los nodos tanto en n
umero como en tiempo hacia
el pasado. Antes de comenzar a hablar de la interpretacion de estos
modelos, consideremos la siguiente definicion formal de lo que es un proceso
autorregresivo vectorial.
Definici
on 2.2 Decimos que una serie de tiempo vectorial, de dimension m,
Z(t) = (X1 (t), . . . , Xm (t))T es un proceso autorregresivo vectorial de orden p
(VAR(p)) si puede ser escrita como
Z(t) = 1 Z(t 1) + . . . + p Z(t p) + w(t),
donde w(t) = (w1 (t), . . . , wm (t))T es ruido blanco m-variado y
i
i
i
1,1 1,2
. . . 1,m
i
i
i
2,1 2,2 . . . 2,m

i = ..
.
... ...
..
.
i
i
i
m,1
m,2
. . . m,m
(2.2)

CAPITULO 2. METODOS
13
son los parametros del modelo.

Los modelos VAR nos identifican en una serie de tiempo vectorial la existencia
de dependencias entre las series individuales, as como identifican el grado
de dependencia en el tiempo. En el caso de un modelo VAR(1) se dice que
es estable si las soluciones al polinomio caracterstico caen fuera del crculo
unitario, esto nos garantiza que la dependencia en un periodo largo de tiempo
no es significativa, es decir, la memoria del proceso no es un tiempo muy
extenso hacia atras. Mas detalles de los modelos VAR y de los modelos
estables puede consultarse en L
utkepohl (2005).
A continuacion consideramos un ejemplo de la aplicacion de los modelos VAR
en el area de economa, las graficas y ajustes son ejecutados en el lenguaje
de programacion R.
Ejemplo 2.2. (Cowpertwait and Metcalfe 2009) Consideremos los datos de
una serie economica de Estados Unidos de los a
nos 1954 a 1987, las variables
de interes son el producto interno bruto (GNP) y el dinero real (M1), estos
se pueden observar en la Figura 2.3.
Existe evidencia emprica de que estas variables deberan estar relacionadas,
por lo que pensar en un modelo VAR parece razonable. Ademas como
podemos observar en las graficas, las series presentan tendencia. Un modelo
de orden 1 no es suficiente, por lo que se decide ajustar un modelo VAR(2)
con tendencia y obtenemos las siguientes estimaciones.
$GNP
Estimate Std. Error
t value
Pr(>|t|)
GNP.l1 1.1413956 0.08448544 13.509967 1.831652e-26
M1.l1
1.3304479 0.33914181 3.922984 1.414205e-04
GNP.l2 -0.1996175 0.08230909 -2.425218 1.668345e-02
M1.l2 -1.1566875 0.34879323 -3.316255 1.185205e-03
trend
1.0319351 0.42297164 2.439726 1.605720e-02
$M1
Estimate Std. Error
t value
Pr(>|t|)
GNP.l1 -0.03371829 0.01810619 -1.86225184 6.484268e-02
M1.l1
1.64898451 0.07268195 22.68767536 7.330886e-47
GNP.l2 0.03419264 0.01763978 1.93838296 5.476075e-02
M1.l2 -0.65016206 0.07475036 -8.69777827 1.345903e-14
trend
0.00654324 0.09064764 0.07218324 9.425679e-01
14
GNP
1500
2000
2500
3000
3500
4000
Producto Interno Bruto
1955
1960
1965
1970
1975
1980
1985
1975
1980
1985
Ao
450
500
M1
550
600
Dinero Real
1955
1960
1965
1970
Ao
Figura 2.3: Series economicas del los Estados Unidos 1954 a 1987
Notemos que para el caso de GNP, las dos variables en el pasado y la
tendencia son significativas, as como en el caso de M1. Sin embargo, las
variables con un retraso son mas significativas que a con dos retrasos en el
tiempo. Esto nos muestra que parece ser significante la dependencia de estas
variables a traves del tiempo mas a
un, la dependencia se conserva en al menos
dos pasos hacia atras en el tiempo.

CAPITULO 2. METODOS
15
0.4
0.2
0.0
0.2
ACF
0.6
0.8
1.0
Residuales para el GNP
10
15
20
15
20
Lag
0.4
0.2
0.0
0.2
ACF
0.6
0.8
1.0
Residuales para el M1
10
Lag
Figura 2.4: ACF para los residuales del ajuste VAR(2) para las variables
GNP y M1.
16
Es importante verificar la correlacion de los residuos de los ajustes hechos

ya que en ello verificamos el supuesto de ruido blanco y de no ser as, tratar
de identificar si en el modelado existe alguna componente que no se haya
considerado. Dichos correlogramas se pueden observar en la Figura 2.4. Como
podemos notar no existe otra correlacion significativa, es decir, el modelo
parece capturar toda la dependencia en el pasado.
Como sabemos los modelos de series de tiempo son usados con fines
predictivos con frecuencia y este ejemplo no es la excepcion. Las predicciones
pueden observarse en la Figura 2.5. En el caso de GNP, se espera que la
tendencia aumente y en el caso de M1 se espera que se estabilice.

CAPITULO 2. METODOS
17
3200
3400
3600
3800
4000
Predicciones para GNP
1982
1984
1986
1988
1986
1988
Ao
450
500
550
600
Predicciones para M1
1982
1984
Ao
Figura 2.5: Predicciones para el a

no 1988 realizadas con el modelo VAR(2)
con tendencia.
18
Captulo 3
APLICACION
Uno de los objetivos de este trabajo es modelar la evolucion de los
espectros durante el desarrollo de una tormenta, mas a
un es de interes
comparar entre tormentas con distintas energas as como con el mar en
calma. Para ello consideraremos tres conjuntos de datos en los cuales
aplicaremos los modelos detallados en el captulo anterior.
3.1.
3.1.1.
Tormenta del Mar del Norte

Datos
El primer conjunto de datos corresponde a una tormenta en el Mar del

Norte, son espectros calculados para periodos de 20 minutos con frecuencias
en radianes por segundo (frecuencia angular). Los datos fueron registrados
con frecuencias de 5 hz, es decir, 5 mediciones por segundo, lo cual representa
una buena resolucion. En total son 244 espectros que corresponden a 3 das
9 horas y 20 minutos. Asimismo se considera como informacion la Altura
Significativa (HS). Algunos espectros se pueden observar en la Figura 3.1.
Como podemos observar el rango de las frecuencias que son significativas,
en relacion a la cantidad de energa que aportan al proceso, es mucho
menor que el considerado en los datos originales, [0, 15.708]. Lo anterior
es se
nal de poder reducir el rango considerado, esto ayudara a mejorar el
ajuste al momento de modelar con B-splines y ademas a hacer un analisis
mas detallado en las frecuencias que interfieren significativamente en el
proceso. Para llevar a cabo esta reduccion, como primer paso, procedemos a
19
20
3.1. TORMENTA DEL MAR DEL NORTE
f(w)
f(w)
Espectros de la Tormenta del Mar del Norte
10
15
rad/s
10
15
rad/s
HS
Altura Significativa (HS)
50
100
150
200
250
Figura 3.1: Espectros para la tormenta del Mar del Norte y la Altura
Significativa (HS).
normalizar nuestras densidades ya que de este modo podemos interpretar al
area en un determinado rango de frecuencias como el porcentaje de la energa
total que aporta este rango de frecuencias. Seguido a esto eliminaremos las
frecuencias menos significativas seg
un el siguiente criterio: reducimos el rango
eliminando las bajas frecuencias hasta la cual se ha acumulado el 5 % de la
energa y analogamente eliminamos las altas frecuencias a partir de que solo
resta el 5 % de la energa. Lo anterior, se realizo para cada espectro y despues
para tener un rango en com
un se toma el mnimo en las frecuencias bajas y
el maximo en las frecuencias altas. De este modo nuestro rango disminuye al
intervalo de frecuencias [0.3835, 1.6183], el cual contiene al menos el 90 % de
la energa total del proceso.
Una vez elegido el rango de frecuencias, procederemos a ajustar un modelo
de B-splines para cada espectro y una vez elegido el modelo que se ajuste
de manera optima (buen ajuste con menor n
umero de nodos) analizaremos

CAPITULO 3. APLICACION
21
la evolucion en el tiempo de los coeficientes. Los resultados obtenidos se

presentan a continuacion.
3.1.2.
Resultados
Para el ajuste con B-splines consideramos la ubicacion de nodos

equiespaciados en el rango [0.3835, 1.6183] de frecuencias con la ayuda de
la funcion fdpar de R, la calidad del ajuste dependera del n
umero de nodos
usados. Consideramos las siguientes medidas de Error,
Error1 = sup | f () f() |,

Error2 =
1
n
n
X
| f () f() |,
(3.1)
(3.2)
donde f es el valor ajustado con el modelo B-spline.

La Figura 3.2 nos presenta estas medidas de error para cada espectro con
diferente n
umero de nodos, como podemos observar a mayor n
umero de nodos menor es el error. Sin embargo, decidimos considerar 10 nodos ya que
el ajuste parece razonable y el n
umero de nodos produce un modelo mas
sencillo. La Figura 3.3 nos presenta un resumen del comportamiento de los
coeficientes de los nodos, como podemos observar independientemente del
n
umero de nodos elegido, los nodos correspondientes a frecuencias mayores
no presentan gran variabilidad.
Para tener una idea mas clara de como se ven los ajustes con 10 nodos, tomamos algunos ejemplos y los presentamos en la Figura 3.4.
Una vez decidido el n
umero de nodos, es de interes saber si existe dependencia en el tiempo entre las frecuencias, de este modo podremos modelar la
evolucion de los espectros considerando esta relacion de dependencia. Es de
interes considerar modelos autorregresivos en particular modelos VAR.
22

Error1
8 nodos
10 nodos
Error
0.2
50
100
150
200
250
50
200
250
0.15
Error
Error
100
150
200
250
150
200
250
200
250
200
250
200
250
0.001
0.05
50
100
50 nodos
0.10
0.4
0.3
0.2
0
50
20 nodos
0.1
Error
150
0.005
15 nodos
100
0.003
0.0 0.2 0.4 0.6 0.8 1.0 1.2
1.0
0.6
Error
1.5
0.5
1.0
Error
2.0
1.4
2.5
5 nodos
50
100
150
200
250
50
100
150
Error2
8 nodos
10 nodos
50
100
150
200
250
0.15
0.10
Error
0.05
0.05
Error
0.15
0.3
0.1
0.2
Error
0.4
0.25
0.20
0.5
5 nodos
50
150
200
250
50
20 nodos
100
150
50 nodos
50
100
150
200
250
4e04
3e04
Error
2e04
0
50
100
150
200
250
1e04
Error
0
0.005 0.010 0.015 0.020
0.04
0.02
Error
0.06
0.08
15 nodos
100
50
100
Figura 3.2: Errores de los ajustes con diferente n

umero de nodos.
150

Coeficientes con 15 Nodos
23
Coeficiente
Coeficiente
Coeficiente
10
Nodo
10
12
14
1 2 3 4 5 6 7 8 9
Nodo
11
13
15
17
19
Nodo
Figura 3.3: Box plots para los coeficientes del ajuste B-spline con 10, 15 y 20
nodos.
0.4
0.6
0.8
1.0
1.2
1.4
1.6
2.5
2.0
1.5
1.0
0.5
0.0
0.0
0.5
1.0
1.5
2.0
2.5
3.0
Ajustes con 10 Nodos
0.4
0.6
0.8
1.0
1.2
rad/s
rad/s
1.4
1.6
Figura 3.4: Ejemplos de ajuste a cada espectro con una base de 10 nodos y
primera derivada continua.
24
Al tener espectros normalizados, la energa total de cada espectro se

pierde, por lo que es de interes considerar como variable externa en nuestro
modelo a la HS la cual nos dara la informacion perdida al normalizar. La
Figura 3.5 nos presenta las series correspondientes a los coeficientes de los
primeros nodos y la HS, de este modo observamos que hay evidencia de que
el comportamiento de los coeficientes se relaciona con la HS.
Comportamiento de los Coeficientes
Nodo
1
10
2
3
4
5
HS
50
100
150
200
250
Figura 3.5: Coeficientes de los 5 primeros nodos del modelo con 10 nodos.
Es posible verificar que los modelos AR univariados parecen ser razonables
para algunas de las series de los nodos y debido al interes de investigar si
hay relacion entre frecuencias, un modelo VAR parece ser una buena opcion.
Como primer paso es de interes saber que orden tendra el modelo, para ello
utilizamos una funcion del paquete estadstico R (VARSelect) que utiliza
cuatro criterios.
Criterio de Informacion de Akaike,
2
AIC(p) = ln det(Su (p)) + pK 2
T

25
Criterio de Hanna-Quinn,
HQ(p) = ln det(Su (p)) +
2 ln(ln(T )) 2
pK
T
Criterio de Schwarz,
ln(T ) 2
pK
SC(p) = ln det(Su (p)) +
T
Error Final de Prediccion,

F P E(p) = f t(
T +n K
) det(Su (p)) ,
T n
P
ut ) y n es el total de n
umero de
t u
0t , K = dim(
donde Su (n) = T 1 Tt=1 u
parametros en cada ecuacion y p es el orden del modelo autorregresivo, en
todos los casos se trata de minimizar cada criterio.
El algoritmo que se utilizo para elegir el orden es el siguiente:
1. Se calculan para cada criterio los valores correspondientes a los ordenes
1, 2 y 3.
2. Se comparan para cada criterio y se elige el orden que tuvo el valor
mnimo.
3. Se comparan entre criterios el orden elegido y se decide por el orden
que fue elegido en la mayora de los criterios.
4. En caso de que no haya mayora, es decir, 2 de 2 criterios eligen un
orden y los otros un orden diferente, se observan los valores de cada
criterio y si las diferencias son peque
nas, se decide por el menor orden.
Para este caso particular un modelo VAR(1) que considera como covariable a
HS es suficiente, el modelo resultante tiene la siguiente matriz de coeficientes
26
T ,
0.11
0.96
0.90
1.53
1.39
1.13
1.21
0.64
1.23
0.51
1.38
0.90
1.67
1.51
1.03
0.84
1.34
1.41
2.47 0.22
8.59 6.39
0.02
0.13
1.15
1.02
0.76
1.16
1.27
1.27
1.54
0.19
2.07
1.91
9.22
0.07
0.25
0.35
0.01
0.04 0.01
0.13
0.61 0.09
0.09 0.03
0.18
0.93 0.12
0.13 0.04
0.92
0.84 0.09
0.11 0.04
0.68
1.16 0.05
0.20 0.07
0.02
1.50
0.03
0.19 0.02
0.07
1.21
0.23
0.20
0.02
0.83
0.99 0.26
0.38 0.05
0.14
1.42
0
0.32
0.11
0.17
1.74
0.78
0.25
0.41
0.86 5.34
0.91 0.57
0.39
0.04 0.03 0.02 0.03 0.01
0
0.01
0.02
0.02
0.06
0.07
0.01
0.04
0.11
0.07
0.06
0.01
0.02
0.04
0.06
0.06
0.06
0.06
0.05
0.04
0.06
0.25
0.42
0
Los coeficientes de la matriz anterior deben ser interpretados con cuidado, ya

que como observamos en la Figura 3.3, los coeficientes de los u
ltimos nodos
son casi cero lo que ocasiona un efecto de coeficientes inflados en la matriz
. Por ello para identificar si tenemos coeficientes significativos utilizamos
la matriz de p-valores, que se presenta a continuacion,
0.70
0.03
0.02
0.04
0.05
0.04
0.03
0.28
0.18
0.10
0.03
0.25
0.18
0.15
0.47
0.67
0.75
0.60
0.44
0.73
0.58
0.95
0.52
0.02
0.03
0.18
0.50
0.30
0.26
0.31
0.28
0.91
0.27
0.50
0.20
0.08
0.52
0.82
0.83
0.26
0.42
0.99
0.95
0.53
0.92
0.93
0.87
0.16
0.06
0.03
0.02
0.03
0.01
0
0.02
0.12
0.03
0.08
0.04
0.02
0.91
0.61
0.63
0.73
0.85
0.92
0.49
0.52
0.99
0.23
0.58
0.10
0.51
0.35
0.33
0.41
0.15
0.20
0.25
0.08
0.15
0.47
0.50
0
0.74
0.56
0.62
0.61
0.40
0.85
0.85
0.70
0.41
0.05
0.46
0
0.98
0.76
0.70
0.71
0.29
0.28
0.88
0.63
0.27
0.65
0.88
0
0.10
0.07
0.07
0.07
0.07
0.12
0.24
0.46
0.30
0
0.04
0
De este modo, si una variable tiene un p-valor grande podemos considerar que
posiblemente tiene un coeficiente cero, por lo que podemos obtener un modelo
reducido. Sin embargo, la primera cuestion que surge es Cuantas variables
conservar para cada nodo? El procedimiento que se utilizo fue considerar para
cada nodo, los tres nodos mas significativos con un retraso y se verificaba el
ajuste, el cual si no pareca razonable para alg
un nodo se consideraba tener
mas nodos para este caso. As, el n
umero de nodos con un retraso que se

27
consideran para modelar el siguiente valor en el tiempo de los mismos es

mayor o igual a tres, con el objetivo de tener menor n
umero variables pero
que produzcan buenas ajustes. En algunos casos, se pueden observar nodos
con solo dos coeficientes distintos de cero, lo cual se debe a que para estos
la variabilidad no era grande y considerar dos o tres nodos no generaba una
diferencia significativa en el ajuste.
A continuacion presentamos la matriz de coeficientes para el modelo reducido,
la cual es mas sencilla de interpretar.
T =
0 0.27 1.01
0
0.46 0.90 0.43
0
0.79
0
0
0
0.43
0
0
0.74
0
0 0.35
0.38
0.71
0
0
0
2.42
0
0
0
0
0
0
0
0
0 2.09
0
0
0
0
0
4.04
0
3.42
0
0 0.05
0.10 0.01
0
0
0
0
0
0
0
0
0
0
0
0
0.07
0
0
0
0
0
0
0
0
0
0
0
0.34
0 0.14 0.03
0
0
0.57
0
0
0 0.10
0
0.58 0.49
0
0
0
0
0
0 0.65
0
0
0
0
0 0.64
0 0.36
0
0 3.32
0 1.29
0
0.47
0
0
0
0
0
0.06
0
0
0
0
0 0.01
Los ajustes entre los dos modelos (completo y reducido) para las series de
los coeficientes de cada nodo se pueden ver en el Apendice A, en dichos
graficos se puede observar que los ajustes son semejantes por lo que el
modelo reducido es razonablemente bueno. Como medida de error tomamos
los analogos a las ecuaciones 3.1 y 3.2, es decir, la norma supremo y el
promedio, obteniendo as la Figura 3.6 donde podemos observar que el error
de ajuste no es significativamente diferente. Por lo tanto, el modelo reducido
nos brinda un modelo mas sencillo de interpretar sin sacrificar mucho en el
ajuste y la prediccion. El u
ltimo renglon de nuestra matriz, representa los
coeficientes de la HS como covariable; notemos que esta solo es significativa
en los nodos del dos al 4 y en el u
ltimo, recordemos que estos primeros nodos
es donde se centra mas la variabilidad del proceso. Tambien se puede notar
que para los nodos dos, cuatro, cinco, nueve y diez los modelos univariados se
mantienen as como una dependencia de muy pocos otros nodos. Los nodos 6,
8 y 9 solo dependen de otros dos nodos, efecto mencionado anteriormente, al
ser de los u
ltimos nodos no presentan demasiada variabilidad y es suficiente
considerar solo los primeros dos coeficientes significativos. En general los
nodos se relacionan con los nodos cercanos, exceptuando el Nodo 1 y mientras
28

Error1
2.5
Comparacin de los Modelos

Completo
0.0
0.5
1.0
Error
1.5
2.0
Reducido
10
10
Nodo
Error2
0.7

Completo
0.4
0.3
0.0
0.1
0.2
Error
0.5
0.6
Reducido
6
Nodo
Figura 3.6: Errores de ajuste para las series de cada nodo bajo el modelo
completo y el modelo reducido.
mas separados esten los nodos menor es la dependencia. Ademas, el tener un

modelo VAR(1) nos indica que podemos aproximar razonablemente nuestros
espectros solamente conociendo el espectro correspondiente a los 20 minutos
anteriores, es decir, la memoria de la distribucion de la energa parece ser
relativamente corta. As, el modelo reducido parece ser tan bueno como el
modelo completo, ademas de ofrecer una interpretacion mas sencilla, notando
que la dependencia entre los nodos solo es a un tiempo atras y dependiendo
solo de los nodos cercanos. En conclusion para el caso de la tormenta del
Mar del Norte, un modelo autorregresivo de primer orden reducido parece
ser suficiente para modelar la evolucion de los espectros en el tiempo.

3.2.
3.2.1.
29
Hawai Enero
Datos
El siguiente conjunto de datos corresponde a una tormenta en el Mar de

Hawai, son espectros calculados para periodos de 30 minutos con frecuencias
en radianes por segundo (frecuencia angular). Los datos fueron registrados
con frecuencia de 1.28 hz, es decir, 1.28 mediciones por segundo lo cual nos
da una menor resolucion que en el caso de la TMN pero a
un as es buena.
En total son 221 espectros que corresponden a 4 das 14 horas y 30 minutos.
30000
20000
f(w)
30000
10000
10000
20000
f(w)
40000
40000
50000
50000
Espectros de la Tormenta de Hawai
rad/s
rad/s
5
2
HS
50
100
150
200
Figura 3.7: Espectros para la tormenta de Hawai en el mes de Enero y la

Altura Significativa (HS).
En este conjunto de datos, existen dos espectros faltantes por lo que en
realidad se tienen 95 espectros consecutivos, los dos faltantes y luego 126
consecutivos. Por ello, para el analisis autorregresivo se considerara en dos
secciones. Asimismo se considera como informacion la Altura Significativa
30
3.2. HAWAI ENERO
(HS). Algunos espectros se pueden observar en la Figura 3.7.

Como en el caso de la tormenta anterior, el rango de las frecuencias que son
significativas, en relacion a la cantidad de energa que aportan, es mucho
menor que el considerado en los datos originales, [0, 4.0212]. Por lo tanto,
siguiendo el proceso anterior, procedemos a normalizar nuestras densidades
y eliminamos las frecuencias menos significativas seg
un el mismo criterio que
con la tormenta del Mar del Norte. De este modo nuestro rango disminuye
al intervalo de frecuencias [0.29845, 1.6886]), el cual es muy parecido al de la
tormenta anterior. El procedimiento de analisis sera analogo y los resultados
obtenidos se presentan a continuacion.
3.2.2.
Resultados
El ajuste de los splines se baso como en el caso anterior, en nodos

equiespaciados en el intervalo [0.29845, 1.6886]) y obteniendo las medidas
de error dadas en 3.1 y 3.2. Los resultados de los errores se pueden observar
en la Figura 3.8. En este caso, sucede de igual modo, que los errores de 10 a
15 nodos no son significativamente diferentes, por lo que deseando un n
umero
de nodos bajo, es preferible conservar 10 nodos.
La Figura 3.9, coincide en el comportamiento de la variacion de los nodos con
los boxplots de la tormenta del mar del norte, es decir, se observa variacion en
los nodos correspondientes a las frecuencias bajas pero los que corresponden
a frecuencias altas son casi cero.
En la Figura 3.10, se muestra el ejemplo de un ajuste B-spline con 10 nodos,
como podemos observar el ajuste no parece ser muy bueno debido a la
diferencia entre la cantidad de energa en el valor maximo y en el que se
ajusta, sin embargo, es importante tener en cuenta que nuestros espectros
estan normalizados y por lo tanto lo que nos interesa del ajuste es captar el
comportamiento e identificar las frecuencias que son relevantes en el proceso.
Es por esto que el error de ajuste de este tipo es razonablemente bueno y
por tanto el ajuste con 10 nodos sera considerado como suficiente.

31
Error1
8 nodos
2.0
1.5
1.0
1.5
Error
Error
2.0
2.5
3.5
3.0
2.5
0.5
0.5
1.5
1.0
2.0
50
100
150
200
50
150
200
20 nodos
100
150
200
150
200
150
200
150
200
150
200
1.4
1.6
1.2
Error
1.2
0.8
Error
1.0
0.6
0.8
0.4
0.6
0.4
50
100
50 nodos
1.4
2.0
1.5
Error
1.0
0.5
50
1.6
15 nodos
100
1.0
Error
10 nodos
3.0
4.0
5 nodos
50
100
150
200
50
100
Error2
8 nodos
Error
0.10
0.10
0.2
50
100
150
200
50
150
200
0.12
0.10
Error
0.10
Error
0.06
0.08
0.04
0.06
0.04
50
100
150
200
100
50 nodos
0.12
0.20
0.15
Error
0.10
0.05
50
20 nodos
0.14
15 nodos
100
0.08
0.15
0.25
0.15
0.20
Error
0.20
0.30
0.25
0.35
0.6
0.5
0.4
0.3
Error
10 nodos
0.40
5 nodos
50
100
150
200
50
100

umero de nodos.
32
3.2. HAWAI ENERO

Coeficiente
Coeficiente
Coeficiente
10
Nodo
10
12
14
1 2 3 4 5 6 7 8 9
Nodo
11
13
15
17
19
Nodo
Figura 3.9: Box plots para los coeficientes del ajuste B-spline con 10, 15 y 20
nodos.
0.4
0.6
0.8
1.0
1.2
1.4
1.6
0.4
0.6
0.8
1.0
1.2
rad/s
rad/s
RMS residual = 0.34
1.4
1.6

33
10

Nodo
1
8
2
3
4
6
HS
50
100
150
200
ndice
Una vez decidido el n

umero de nodos, nos gustara poder ajustar un
modelo autorregresivo, como en el caso anterior. Recordemos que al tener
espectros normalizados, la energa total de cada espectro se pierde, por lo que
para recuperar esta informacion consideramos como covariable al modelo a la
HS. La Figura 3.11 nos presenta las series correspondientes a los coeficientes
de los primeros nodos y la HS. Como se comento al principio, tenemos dos
datos faltantes y es por ello que la grafica se nota cortada. Como tambien se
menciono, el analisis autorregresivo se realizara por separado, antes y despues
de los datos faltantes, y se espera que el modelo que se ajuste sea semejante
en cada seccion.
Al igual que en el caso anterior, los modelos AR univariados parecen
razonables para elgunos nodos. En ambas secciones de las series hay evidencia
significativa de que modelos AR ajustan bien para algunos nodos.
Ahora bien, comenzando por la primera parte de la serie y usando el
criterio que se definio en la seccion anterior, elegimos un modelo VAR(1).
34
3.2. HAWAI ENERO
Los coeficientes del modelo son:
1.47 0.47 0.09

0.12
0.03
0
0.01 0.02
0 0.01
1.84 1.01
0.21
0.13
0.1 0.03
0.04 0.03 0.01 0.02
2.9 1.28
0.19
0.25
0.09 0.04
0.05 0.05 0.01 0.04
3.03 1.44 0.03

0.31
0.37 0.09
0.05 0.06
0.01 0.03
2.36 2.35
0.53
0.03
1.07 0.09 0.03 0.08
0.02 0.05
1.5 1.76
0.05 0.1
0.3
0.83
0.04
0.17 0.1
0
.
0.91
1.6
0.82 0.71 0.09
1.42
0.21
0.38
0.08
0.07
1.56
5.63 3.12
2.16 0.71 0.79
0 0.5
0.27 0.22
0.08
3.85 2.12
0.98 0.05 2.48
1.43 0.25
0.46
0.02
7.07 22.46
6.8 2.12
3.3
0.93
0.83
0.88
0.24
0.85
14.91
9.03
2.19 1.05 0.45
0.32 0.26
0.3
0.06
0.23
0.16
1.31 0.75
0.06 0.12 0.02 0.01 0.02 0.01 0.01
Sin embargo, deseamos saber si podemos reducir el modelo anterior, as que

conservando las variables de mayor significancia obtenemos un modelo
reducido. Para elegir las variables con mayor significancia consideramos la
matriz de p-valores que se presenta a continuacion.
0.01
0.06
0.06
0.05
0.12
0.45
0.75
0.78
0.99
0.47
0.07
0.36
0.26
0.16
0.26
0.22
0.04
0.24
0.46
0.18
0.39
0
0.14
0
0.8
0.73
0.84
0.98
0.58
0.97
0.65
0.38
0.58
0.28
0.67
0
0.38
0.57
0.48
0.4
0.93
0.84
0.3
0.11
0.49
0.37
0.59
0.17
0.78
0.52
0.72
0.16
0
0.37
0.86
0.45
0.96
0.05
0.74
0
0.93
0.74
0.73
0.5
0.48
0
0
0.09
0
0.25
0.63
0.1
0.68
0.32
0.43
0.47
0.6
0.6
0.09
1
0
0.05
0.46
0.07
0.42
0.41
0.3
0.27
0.1
0.01
0
0.01
0.21
0.01
0.27
0
0.75
0.79
0.67
0.69
0.52
0.02
0.21
0.03
0
0.26
0.72
0.12
0.11
0.19
0.11
0.19
0.05
0.92
0.17
0.02
0.8
0
0.09
0
Una vez elegidas las variables mas significativas, tomando como base las
tres primeras con menor p-valor para cada nodo y luego a
nadiendo mas
variables hasta obtener un buen ajuste, obtenemos el modelo reducido con

35
los siguientes coeficientes:
T =
0.79
0
0
0 0
0
0
0
0
0
0
0
0
0 0
0
0
0
0
0
0
0 0.51
0 0
0
0
0
0
0
0.96
0
0
0.34 0
0
0
0
0
0
0
0
0
0 1
0
0
0
0
0
0
0
0
0 0
0.87
0
0 0.03
0
.
0
0
0
0 0
1.32
0 0.62
0
0
0
0
0 1.18 0
0
0
0
0
0
0
0
0
0 0 2.24 1.6
0 0.92
0
0 8.42 3.8
0 0
0 0.48
0
0 0.96
0
0
0
0 0
0
0
0
0
0
0
1.53 0.05
0.08 0
0
0
0
0
0
Notemos que el modelo reducido, al igual que en el caso de la tormenta

del Mar del Norte, conserva en la mayora de los nodos los modelos
autorregresivos univariados. Otro comportamiento similar es que la HS es
influyente en los nodos dos, tres y cuatro. Sin embargo, este modelo es
mas simple al tener mas coeficientes cero de hecho este es un caso especial
donde existen nodos con un solo coeficiente como el nodo 8 y 10, este
comportamiento se debe una vez mas a que estos coeficientes son casi cero en
toda la serie por lo que basta modelarlos con una sola dependencia de otro
nodo o el mismo. Antes de comentar acerca de las conclusiones para esta
primera parte, la Figura 3.12 nos presenta los errores, supremo y promedio,
para las series ajustadas bajo el modelo completo y bajo el reducido, como
podemos observar los errores no distan mucho. Ademas en el Apendice B se
muestran los ajustes bajo el modelo reducido y completo. Por lo tanto, el
modelo reducido nos facilita la interpretacion sin la necesidad de sacrificar el
ajuste a las series. En conclusion de esta primera parte, un modelo reducido
que considera modelos autorregresivos vectoriales que conservan algunos de
los modelos individuales y ademas considera como covariable a la HS parece
ser suficiente para reproducir los coeficientes de los espectros. A manera de
comparacion, notemos que el comportamiento de solo interrelacion entre los
nodos cercanos, se conserva tambien para esta tormenta lo cual es natural
pues los soportes de las funciones base no son disjuntos.
Para la segunda parte, el modelo autorregresivo tambien es significativo y de
primer orden, basado en la comparacion de los criterios antes mencionados.
As, obtenemos los coeficientes del VAR(1), los cuales se presentan a
36
3.2. HAWAI ENERO

Error1
1.5

Completo
0.0
0.5
Error
1.0
Reducido
10
10
Nodo
Error2
0.4

Completo
0.2
0.0
0.1
Error
0.3
Reducido
6
Nodo
continuacion:
0.27
0.25 0.13
0.39 0.15
0.14
0.02
0.01
1.72
1.05 0.09
0.61 0.21
0.22
0.03
0.02
2.56
1.45
0.15
0.8 0.35
0.3
0.04
0.02
2.32
2.19 0.9
1.37 0.46
0.36 0.01
0.03
2.83
2.04 1.19
1.36
0.01
0.37
0.04
0.07
2.88 0.12
0.84
0.37
0.34
0.41
0.16
0.12
0.9 5.4
3.92
0.25 0.14
0.37
0.3
0.2
4.63 1.42 0.67
1.68
0.55
0.9
0.45
0.18
5.17
0.26
1.73 1.03
0.16
0.84
0.32 0.04
0.74
9.98 5.17 1.4
0.33 0.52 0.02
0.12
13.66 7.15
4.14 4.62
2.27 1.71 0.12 0.11
0.22
0.72 0.41 0.03 0.06 0.01 0.01 0.01
0.02
0.02
0.04
0.06
0.03
0.02
0.05
0.23
0.06
0.06
0.27
0.01
0.01
0.01
0.03
0.02
0.01
0.01
0.02
0.12
0.04
0.04
0.17
0.01

37
Como hemos hecho anteriormente, es de interes simplificar nuestro modelo,

para ello nos apoyamos en las variable mas significativas eligiendo con
el procedimiento antes mencionado. La matriz de p-valores se presenta a
continuacion:
0.52
0.01
0.01
0.01
0.01
0.02
0.64
0.17
0.26
0.9
0.01
0
0.63
0.19
0.23
0.06
0.15
0.94
0.03
0.74
0.96
0.19
0.3
0
0.74
0.88
0.87
0.32
0.28
0.47
0.04
0.84
0.7
0.38
0.43
0
0.04
0.03
0.06
0
0.01
0.5
0.77
0.27
0.62
0.61
0.06
0.27
0.08
0.09
0.06
0.01
0.95
0.16
0.71
0.42
0.86
0.78
0.04
0
0
0
0
0
0
0
0.05
0.01
0.06
0.37
0
0.14
0.44
0.44
0.47
0.83
0.48
0.02
0.01
0.02
0.22
0.94
0.69
0
0.3
0.34
0.57
0.39
0.08
0
0
0.12
0.81
0.57
0.54
0
0.06
0.09
0.05
0.01
0.28
0.43
0.28
0
0.6
0.67
0.03
0
0.21
0.22
0.09
0.11
0.49
0.46
0.62
0.03
0.6
0.69
0.07
0
As, el modelo reducido resulta ser:
T
=
0
0
0
0
0
0.06
0
0
0
0
1.27
0
0
0.04
0
0.1
0
0
0
0
1.84
0
0
0
0
0.12
0
0
0
0
2.17 0.72
0
0.59 0.09
0.2
0
0 0.03
0
2.9
0 0.63 0.13
0
0.26
0
0
0
0
0
0
0
0
0
0.42 0.06 0.21
0
0
.
0 3.52 14.79
0
0
0 0.71 0.29
0
0
0
0
0
0
0
0 0.43
0
0.64 0.25
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
9.44
0
0
0
0.87 0.74
0
0
0 0.04
0.26 0.8
0
0 0.11
0
0
0
0
0
Notemos que a diferencia del modelo reducido de la primera parte, este

conserva un poco mas la relacion entre los nodos, en especial el primer y
sexto nodo, ambos muestran dependencia con los primeros nodos. Asimismo,
los modelos univariados autorregresivos no parecen mantenerse. Aunque el
modelo se reduce considerablemente. La Figura 3.13 presenta los errores de
ajuste bajo los modelos completo y reducido, como podemos observar, una
vez mas, el modelo reducido no sacrifica mucho la calidad del ajuste, por lo
38
3.2. HAWAI ENERO
que el modelo reducido sigue siendo una opcion considerablemente buena. Se

a
nade en el Apendice C los ajustes para estos modelos.
Error1
Completo
1.0
0.0
0.5
Error
1.5
Reducido
10
10
Nodo
Error2
0.6

Completo
0.3
0.0
0.1
0.2
Error
0.4
0.5
Reducido
6
Nodo
En conclusion, para la tormenta de Hawai, el ajuste de los Bsplines tambien capta el comportamiento de los espectros de una manera
aceptable. Ademas los modelos autorregresivos son suficientes para modelar
el comportamiento evolutivo de los espectros de una manera razonablemente
simple ya que los modelos no resultan ser muy complicados y con los
coeficientes podemos concluir que de igual manera para esta tormenta
tambien se presenta dependencia solo entre frecuencias cercanas.

3.3.
3.3.1.
39
Hawai Julio
Datos
El tercer y u
ltimo conjunto de datos, corresponde a mar tranquilo en
Hawai. Al igual que el conjunto anterior, estos corresponden a espectros
calculados cada 30 minutos con frecuencias de 1.28 hz. En total se tienen
221 intervalos, correspondientes a 4 das 14 horas y 30 minutos. La HS sigue
siendo una variable de interes y se considera en el conjunto de datos. La
Figura 3.14 nos muestra un par de ejemplos de estos espectros, as como la
HS correspondiente. Notemos que la HS no es alta comparada con el caso de
tormentas, como se espera al tener mar tranquilo, ademas en los espectros
se puede notar que el rango que aporta energa al proceso es mayor al caso
de tormentas, es decir, frecuencias un poco mas altas parecen tambien influir
en la altura de las olas cuando el mar se encuentra tranquilo.
Sin embargo, el rango original, [0,4.0212], tambien puede ser reducido con
el criterio que hemos elegido antes, obteniendo as el rango [0.29845,1.6886]
que como podemos observar es mayor al rango en el caso de tormentas.
Una vez elegido el rango, procedemos a trabajar con nuestros espectros
normalizados, la idea es analoga, consideraremos los ajustes B-splines y el
analisis autorregresivo. En este caso particular es de interes comparar la
dificultad de analisis en el caso de mar tranquilo con la del caso de desarrollo
de una tormenta. La siguiente seccion muestra los resultados obtenidos.
3.3.2.
Resultados
El mar tranquilo involucra frecuencias mas altas, sin embargo, deseamos

que nuestros ajustes B-spline sean lo mas general posible sin considerar si
hablamos de tormenta o mar tranquilo. Por lo tanto, el ajuste sera del mismo
modo aunque en un rango mas amplio. La Figura 3.15 nos muestra los errores
de los ajustes bajo diferentes n
umeros de nodos. Recordemos que nos interesa
un n
umero de nodos optimo por lo que aunque con un n
umero alto de nodos
el ajuste sea casi perfecto preferimos pocos nodos con ajuste aceptable. Una
vez mas el uso el uso de 10 nodos parece ser razonablemente bueno.
En la Figura 3.16, podemos observar los boxplots de los coeficientes con
diferente n
umero de nodos. En favor de usar 10 nodos, notemos que el
comportamiento de las variaciones en los coeficientes es captado aunque
solo se tengan 10 nodos. En relacion a este comportamiento, notemos que
40
3.3. HAWAI JULIO
0.03
f(w)
0.02
0.03
0.00
0.00
0.01
0.01
0.02
f(w)
0.04
0.04
0.05
0.05
0.06
Espectros para Mar en Calma de Hawai
rad/s
rad/s
1.1
0.8
0.9
1.0
HS
1.2
1.3
100
200
300
400
Figura 3.14: Espectros para condiciones de mar tranquilo de Hawai en el mes

de Julio y la Altura Significativa (HS).
es diferente al caso de tormentas ya que los coeficientes de los nodos

correspondientes a frecuencias altas no se hacen cero tan rapido y ademas
hay una variacion en el cuarto y quinto nodo que en el caso de tormenta no
se presentaba. Es decir, parece haber evidencia de influencia de los nodos
medios en la energa que se aporta al proceso.
Para tener una idea visual de los ajustes, la Figura 3.17 nos muestra
dos ejemplos. Notemos que los ajustes son razonablemente buenos. Una
vez obtenidos los coeficientes respectivos, procedemos a realizar el analisis
autorregresivo.

41
Error1
8 nodos
Error
0.1
0.2
0.3
0.25
0.20
Error
0.05
0.2
0.10
0.15
0.8
0.6
0.4
Error
10 nodos
0.30
1.0
5 nodos
100
200
300
400
100
300
400
100
20 nodos
200
300
400
300
400
300
400
300
400
50 nodos
100
200
300
400
0.004
Error
0.001
0.002
0.003
0.04
Error
0.01
0.02
0.02
0.03
0.06
0.04
Error
0.08
0.05
0.10
0.06
15 nodos
200
100
200
300
400
100
200
Error2
10 nodos
0.04
0.02
0.01
0.01
200
300
400
100
300
400
0.00035
0.00015
0.003
Error
Error
0.005
0.015
0.010
0.001
100
200
300
400
200
50 nodos
0.005
100
20 nodos
0.007
15 nodos
200
0.00025
100
100
200
300
400
0.00005
Error
0.03
Error
0.04
Error
0.02
0.05
0.03
0.10
Error
0.05
0.15
0.06
0.07
0.05
8 nodos
0.20
5 nodos
100
200

umero de nodos.
42
3.3. HAWAI JULIO

1.5
1.5
2.0
2.0
2.0
2.5
1.0
Coeficiente
1.0
Coeficiente
1.0
Coeficiente
1.5
0.5
0.5
0.5
0.0
0.0
0.0
10
Nodo
10
12
14
1 2 3 4 5 6 7 8 9
Nodo
11
13
15
17
19
Nodo
Figura 3.16: Box plots para los coeficientes del ajuste B-spline con 10, 15 y
20 nodos.
1.2
1.0
0.8
0.6
0.8
0.0
0.2
0.4
0.5
1.0
1.5
2.0
2.5
3.0
0.4
0.2
0.6
0.5
1.0
1.5
2.0
rad/s
rad/s
2.5
3.0

43

3
Nodo
1
2
3
4
5
HS
100
200
300
400
La Figura 3.18 nos muestra la serie de los coeficientes correspondientes a

10 nodos y la HS, notemos como al ser mar en calma la HS es casi constante
en el tiempo.
Nuevamente, se muestra evidencia a favor de los modelos autorregresivos
para algunos de los nodos de manera univariada. Con los cuatro criterios que
utilizamos para comparar el orden del modelo autorregresivo concluimos que
un modelo VAR(1) es suficiente para modelar la serie de los coeficientes de
los nodos.
44
3.3. HAWAI JULIO
Los coeficientes del modelo VAR(1) son:
0.82
0.69
0.16
1.27
0.22
0.54
0.28
0.31
0.31
0.32
0.22
0.49
0.22
0.4
0.38
0.36
0.08
1.53
0.31
0.22
0.76 1.35
4.93 15.25
0.46
0.09 0.09
0.19
0.05
0.17
0.01 0.25
0.35
0.09
0.59
0.04 0.31
0.51
0.14
0.15
0.91 0.35
0.55
0.12
0.16
0.14
0.34
0.62
0.15
0.24
0.1 0.08
0.99
0.22
0.03 0.25 0.39
0.9
0.66
0.67
0.33 0.38
0.62
0.69
0.84
0.2 0.42
0.3
0.23
0.06
0.09 0.49
0.3
0.13
0.73 0.11
1.14 1.39 0.37
0.8
4.09 11.66 2.07 2.09
0.07
0.11
0.16
0.16
0.18
0.17
0.05
0.16
0.15
0.06
0.48
0.33
0.12
0.19
0.29
0.29
0.29
0.27
0.23
0.21
0.07
0.11
0.82
1.16
0.17
0.28
0.42
0.42
0.42
0.41
0.41
0.35
0.18
0.12
1.17
0.13
Es de interes saber si este modelo se puede reducir en el caso de mar en calma,

por lo que ponemos especial interes en la matriz de p-valores, notemos que
se ve dependencia significativa entre varios de los nodos.
0
0.23
0.27
0.16
0.13
0.26
0.27
0.12
0.72
0.4
0.18
0.01
0.12
0.06
0.59
0.76
0.76
0.62
0.69
0.76
0.18
0.9
0.63
0.1
0.11
0.7
0.36
0.82
0.8
0.7
0.96
0.39
0.25
0.96
0.68
0.89
0.73
0.98
0.94
0.1
0.8
0.85
0.65
0.62
0.75
0.93
0.94
0.43
0.59
0.32
0.41
0.34
0.38
0.84
0.3
0.4
0.32
0.47
0.27
0
0.08
0.03
0.03
0.02
0.01
0
0
0.03
0.26
0.48
0.03
0.34
0.43
0.37
0.35
0.41
0.33
0.14
0
0
0.19
0.64
0.39
0.14
0.09
0.07
0.08
0.09
0.07
0.07
0.6
0.16
0.17
0.74
0.07
0.7
0
0
0
0
0
0
0
0
0
0
0
0
.
0
0
0.02
0
0.42
0
0.43 0.17
0
0
0.11 0.77
El modelo reducido resulta tener la siguiente matriz de coeficientes:
T =
0.89 0.28 0.09

0
0
0
0
0 0.99
0
0 0.05
0
0
0
0
0.95
0
0
0
0
0
0
0 0.93 0.04
0
0
0
0
0
0
0.66 0.13
0
0
0
0
0
0 0.61
0
0
0
0
0
0.02 0.28 0.63
0.03
0
0 0.23
0.04
0 0.55
0
0
0.53
0 0.31
0
0
0
0
0
0
0
0
0
0
0
0
0
0.29
0
0
0.4 1.36
0 1.96 10.34
0 0.24
0.08
0.12
0.18
0.17
0.19
0.2
0
0.16
0
0
0.52
0
0.09
0.15
0.22
0.23
0.22
0.22
0.17
0
0
0
0.63
0
0.08
0.15
0.22
0.22
0.21
0.23
0.23
0
0
0
0.62
0
Notemos que, a
un reduciendo el modelo se preservan dependencias entre los
nodos, en especial en los u
ltimos. Una vez mas se conservan los modelos
univariados y la dependencia de los primeros nodos con la HS. La Figura
3.19, muestra que en este caso el modelo reducido tambien es una buena
opcion ya que mejora la interpretacion y no se penaliza tanto el ajuste. El
Apendice D, muestra los ajustes que se obtienen bajo cada modelo, completo
y reducido.
En conclusion, el modelo para mar tranquilo indica mayores dependencias
entre los nodos, tanto los correspondientes a bajas frecuencias como a las
frecuencias altas.
45
Error1
0.6
0.7
Completo
0.4
0.3
0.0
0.1
0.2
Error
0.5
Reducido
10
10
Nodo
Error2
0.15

Completo
0.00
0.05
Error
0.10
Reducido
6
Nodo
46
CONCLUSIONES
En este trabajo se implementaron nuevas tecnicas en el analisis de datos
de altura de olas. El analisis se centra en caracterizar la evolucion de los
espectros durante el desarrollo de tormentas y compararlo con condiciones
de mar en calma.
Los registros de olas consideran espectros cada 20 o 30 minutos por lo
que nuestros datos son de tipo funcional. En el primer paso del analisis
consideramos ajustar modelos B-spline para caracterizar cada espectro con
un menor n
umero de variables, obteniendo una reduccion a 10 nodos. El
ajuste con 10 nodos es razonablemente bueno para nuestros espectros, tanto
en condicion de tormenta como en mar en calma, y capturo de manera
significativa el comportamiento de cada espectro, los rangos de frecuencia
con mayor energa y las frecuencias con mayor variacion (en cantidad de
energa) a traves del tiempo.
Otro punto importante a tratar fue el de la evolucion en el tiempo de los
espectros el cual, para los tres conjuntos de datos que analizamos, parece
ser bien modelado por un modelo vectorial autorregresivo de orden uno. Los
coeficientes de cada modelo, nos dan la idea de que frecuencias, seg
un el nodo
correspondiente, se relacionan y como es esta dependencia en el tiempo. En
los tres casos, el tener un modelo VAR(1), nos se
nala que la dependencia en
el tiempo parece ser corta, de 20 o 30 minutos hacia atras.
En cuanto a las diferencias entre los modelos, notemos que para los modelos
correspondientes a tormentas los nodos asociados a frecuencias bajas tienen
una dependencia importante con la Altura Significativa y con los nodos
cercanos, mientras que las frecuencias mas altas solo se relacionaban con
frecuencias cercanas o con ellas mismas. Por otra parte, el modelo para mar
en calma conserva mas dependencia entre las frecuencias a
un reduciendo el
modelo original. Es decir, parece que la dependencia entre las frecuencias en
el caso de mar en calma es mayor, en el sentido de involucrar mas variables,
que en el caso del desarrollo de una tormenta.
En general, es sensato modelar la evolucion de los espectros con metodos
autorregresivos vectoriales ya que estos capturan de manera razonablemente
47 rangos de frecuencias.
buena la dependencia entre los distintos
48
Ap
endice A
GRAFICOS
COMPARATIVOS
DEL MODELO COMPLETO
Y REDUCIDO PARA LA
TORMENTA DEL MAR DEL
NORTE
49
50
Modelo Completo.
0.5
0.0
0.5
1.0 1.0 0.5
0.0
0.5
1.0
1.5
Diagram of fit and residuals for Nodo1
50
100
150
200
250
PACF Residuals
0.4
0.3
0.2
0.0
0.8
0.2
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
1.0
0.5
0.0
0.5
1.0
1.51.0 0.5
0.0
0.5
1.0
1.5
50
100
150
200
250
PACF Residuals
0.2
0.0
0.4
0.1
0.3
0.8
ACF Residuals
6
Lag
10
12
8
Lag
Figura A.1: Ajustes para los coeficientes del Nodo 1.
10
12

APENDICE
A. TORMENTA DEL MAR DEL NORTE
51
Modelo Completo.
50
100
150
200
250
PACF Residuals
0.3
0.2
0.4
0.0
0.2
1.0
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
50
100
150
200
250
PACF Residuals
0.3
0.2
0.4
0.0 0.2
1.0
ACF Residuals
6
Lag
10
12
8
Lag
10
12
52
Modelo Completo.
1.5
0.5
0.5
1.0
1.5
50
100
150
200
250
PACF Residuals
0.2
0.15
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
1.5
0.5
0.5
1.0
1.5
50
100
150
200
250
PACF Residuals
0.1
0.0
0.4
0.1
0.8
0.3
ACF Residuals
6
Lag
10
12
8
Lag
10
12

APENDICE
53
Modelo Completo.
1.0
0.5
0.0
0.5
1.0
0.0
0.5
1.0
1.5
2.0
2.5
50
100
150
200
250
PACF Residuals
0.3
0.2
0.4
0.0
0.2
1.0
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
1.0
0.5
0.0
0.5
1.0
0.0
0.5
1.0
1.5
2.0
2.5
50
100
150
200
250
PACF Residuals
0.3
0.2
0.4
0.0
0.2
1.0
ACF Residuals
6
Lag
10
12
8
Lag
10
12
54
Modelo Completo.
0.6
0.2
0.0
0.2
0.4
0.6 0.2
0.4
0.6
0.8
1.0
1.2
1.4
50
100
150
200
250
PACF Residuals
0.15
0.0
0.4
0.00
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.4
0.0
0.2
0.4
0.6
0.2
0.4
0.6
0.8
1.0
1.2
1.4
50
100
150
200
250
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
6
Lag
10
12
8
Lag
10
12

APENDICE
55
Modelo Completo.
0.3
0.1
0.1
0.2
0.3
0.4 0.0
0.2
0.4
0.6
0.8
50
100
150
200
250
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.2
0.0
0.2
0.4
0.0
0.2
0.4
0.6
0.8
50
100
150
200
250
PACF Residuals
0.0
0.4
0.10 0.05
0.8
0.20
ACF Residuals
6
Lag
10
12
8
Lag
10
12
56
Modelo Completo.
0.2
0.1
0.0
0.1
0.2
0.1
0.2
0.3
0.4
0.5
50
100
150
200
250
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.2
0.1
0.0
0.1
0.2
0.1
0.2
0.3
0.4
0.5
50
100
150
200
250
PACF Residuals
0.1
0.0
0.4
0.1
0.8
ACF Residuals
6
Lag
10
12
8
Lag
10
12

APENDICE
57
Modelo Completo.
0.05
0.00
0.05
0.10
0.00
0.10
0.20
50
100
150
200
250
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.10
0.00 0.05 0.10 0.15

0.00
0.10
0.20
50
100
150
200
250
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
6
Lag
10
12
8
Lag
10
12
58
Modelo Completo.
0.06
0.02
0.02
0.06
0.05
0.10
0.15
50
100
150
200
250
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.05
0.00
0.05
0.10
0.05
0.10
0.15
50
100
150
200
250
PACF Residuals
0.2
0.1
0.4
0.1
0.8
ACF Residuals
6
Lag
10
12
8
Lag
10
12

APENDICE
59
Modelo Completo.
0.04
0.00 0.02 0.04 0.06
0.05
0.10
0.15
50
100
150
200
250
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.04
0.00
0.02
0.04
0.06
0.05
0.10
0.15
50
100
150
200
250
PACF Residuals
0.0
0.4
0.10 0.05
0.8
0.20
ACF Residuals
6
Lag
10
12
8
Lag
10
12
60
Ap
endice B
GRAFICOS
COMPARATIVOS
DEL MODELO COMPLETO
Y REDUCIDO PARA LA
TORMENTA DE HAWAI
(PRIMERA PARTE)
61
62
Modelo Completo.
1.5
1.0
0.5
0.0
0.5
1.0
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
1.5
0.5
0.0
0.5
1.0
20
40
60
80
PACF Residuals
0.2
0.2
0.4
0.0
0.2
1.0
ACF Residuals
6
Lag
10
12
8
Lag
Figura B.1: Ajustes para los coeficientes del Nodo 1.

APENDICE
B. TORMENTA EN HAWAI (PRIMERA PARTE)
63
Modelo Completo.
0.5
0.0
0.5
1.0 4.0
4.5
5.0
5.5
6.0
6.5
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.5
0.0
0.5
1.0
4.0
4.5
5.0
5.5
6.0
6.5
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
6
Lag
10
12
8
Lag
64
Modelo Completo.
0.6
0.2
0.2
0.4
0.6
0.0
0.5
1.0
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.5
0.0
0.5
0.0
0.5
1.0
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
6
Lag
10
12
8
Lag

APENDICE
65
Modelo Completo.
0.3
0.2
0.1
0.0
0.1
0.0
0.1
0.2
0.3
0.4
0.5
0.6
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.3
0.2
0.1
0.0
0.1
0.2 0.0
0.1
0.2
0.3
0.4
0.5
0.6
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
6
Lag
10
12
8
Lag
66
Modelo Completo.
0.2
0.1
0.0
0.1
0.2
0.0
0.2
0.4
0.6
0.8
1.0
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.2
0.1
0.0
0.1
0.2
0.3
0.0
0.2
0.4
0.6
0.8
1.0
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
6
Lag
10
12
8
Lag

APENDICE
67
Modelo Completo.
0.05 0.00
0.05
0.10
0.15
0.1
0.2
0.3
0.4
0.5
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.10
0.00
0.05
0.10
0.15
0.1
0.2
0.3
0.4
0.5
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
6
Lag
10
12
8
Lag
68
Modelo Completo.
0.06
0.02
0.02
0.040.00
0.05
0.10
0.15
0.20
20
40
60
80
PACF Residuals
0.2
0.2
0.1
0.4 0.8
0.3
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.06
0.02
0.02
0.06 0.00
0.05
0.10
0.15
0.20
20
40
60
80
PACF Residuals
0.2
0.2
0.1
0.4 0.8
0.3
ACF Residuals
6
Lag
10
12
8
Lag

APENDICE
69
Modelo Completo.
0.04
0.00
0.02
0.04
0.06
0.05
0.10
0.15
20
40
60
80
PACF Residuals
0.2
0.3 0.1
0.4
0.1
1.0
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.05
0.00
0.05
0.10
0.05
0.10
0.15
20
40
60
80
PACF Residuals
0.2
0.2 0.0
0.2
0.4 0.8
ACF Residuals
6
Lag
10
12
8
Lag
70
Modelo Completo.
0.03
0.01
0.01
0.03
0.02
0.06
0.10
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.02
0.00
0.02
0.04
0.06
0.02
0.06
0.10
20
40
60
80
PACF Residuals
0.4
0.3
0.2
0.0
0.8
0.3
ACF Residuals
6
Lag
10
12
8
Lag

APENDICE
71
Modelo Completo.
0.02
0.00
0.01
0.02
0.02
0.04
0.06
0.08
0.10
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.02
0.00
0.02
0.04
0.02
0.04
0.06
0.08
0.10
20
40
60
80
PACF Residuals
0.5
0.4
0.0
0.5
1.0
ACF Residuals
6
Lag
10
12
8
Lag
72
Ap
endice C
GRAFICOS
COMPARATIVOS
DEL MODELO COMPLETO
Y REDUCIDO PARA LA
TORMENTA DE HAWAI
(SEGUNDA PARTE)
73
74
Modelo Completo.
0.5
0.0
0.5
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.4
0.0
1.0
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.5
0.0
0.5
20
40
60
80
100
120
PACF Residuals
0.2
0.15
0.4
0.05
0.8
ACF Residuals
6
Lag
10
12
8
Lag
Figura C.1: Ajustes para los coeficientes del Nodo 1.
10
12

APENDICE
C. TORMENTA EN HAWAI (SEGUNDA PARTE)
75
Modelo Completo.
1.5
1.0
0.5
0.0
0.5
1.0
20
40
60
80
100
120
PACF Residuals
0.2
0.15
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
1.5
0.5
0.5
1.0
1.5
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.1
0.4
0.4
0.8
ACF Residuals
6
Lag
10
12
8
Lag
10
12
76
Modelo Completo.
0.5
0.0
0.5
1.0 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
1.5
0.5
0.5
1.0
1.5
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.1
0.4
0.8
0.4
ACF Residuals
6
Lag
10
12
8
Lag
10
12

APENDICE
77
Modelo Completo.
0.4
0.2
0.0
0.2
0.40.2
0.0
0.2
0.4
0.6
0.8
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.4
0.2
0.0
0.2
0.4 0.2
0.0
0.2
0.4
0.6
0.8
20
40
60
80
100
120
PACF Residuals
0.3
0.2
0.0
0.4
0.2
1.0
ACF Residuals
6
Lag
10
12
8
Lag
10
12
78
Modelo Completo.
0.15
0.05
0.05
0.15
0.0
0.2
0.4
0.6
0.8
1.0
20
40
60
80
100
120
PACF Residuals
0.2
0.1
0.4
0.1
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.2
0.0
0.2
0.4
0.0
0.2
0.4
0.6
0.8
1.0
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.4
0.2
0.8
0.6
ACF Residuals
6
Lag
10
12
8
Lag
10
12

APENDICE
79
Modelo Completo.
0.05
0.00
0.05
0.100.00
0.05
0.10
0.15
0.20
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.0
0.4 0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.05
0.00
0.05
0.10 0.00
0.05
0.10
0.15
0.20
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
6
Lag
10
12
8
Lag
10
12
80
Modelo Completo.
0.04
0.00
0.02
0.04
0.06
0.05
0.10
0.15
0.20
20
40
60
80
100
120
PACF Residuals
0.2
0.15
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.04
0.00
0.04
0.05
0.10
0.15
0.20
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.0
0.4
0.8
0.2
ACF Residuals
6
Lag
10
12
8
Lag
10
12

APENDICE
81
Modelo Completo.
0.02
0.00
0.02
0.04
0.02
0.06
0.10
0.14
20
40
60
80
100
120
PACF Residuals
0.2
0.15
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.02 0.00
0.02
0.04
0.06
0.02
0.06
0.10
0.14
20
40
60
80
100
120
PACF Residuals
0.2
0.1
0.4
0.1
0.8
ACF Residuals
6
Lag
10
12
8
Lag
10
12
82
Modelo Completo.
0.01
0.00
0.01
0.02
0.03
0.02
0.04
0.06
0.08
0.10
20
40
60
80
100
120
PACF Residuals
0.2
0.15
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.02
0.00
0.02
0.04
0.02
0.04
0.06
0.08
0.10
20
40
60
80
100
120
PACF Residuals
0.2
0.1
0.4
0.1
0.8
0.3
ACF Residuals
6
Lag
10
12
8
Lag
10
12

APENDICE
83
Modelo Completo.
0.015
0.005
0.005
0.015
0.02
0.03
0.04
0.05
0.06
20
40
60
80
100
120
PACF Residuals
0.2
0.15
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.015
0.005
0.005
0.015
0.02
0.03
0.04
0.05
20
40
60
80
100
120
PACF Residuals
0.2
0.1
0.4
0.1
0.8
ACF Residuals
6
Lag
10
12
8
Lag
10
12
84
Ap
endice D
GRAFICOS
COMPARATIVOS
DEL MODELO COMPLETO
Y REDUCIDO PARA MAR
EN CALMA DE HAWAI
85
86
Modelo Completo.
0.10 0.05
0.00
0.05
0.10
0.2
0.1
0.0
0.1
100
200
300
400
PACF Residuals
0.2
0.2
0.4
0.0
0.2
1.0
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.10
0.00
0.05
0.10
0.2
0.1
0.0
0.1
100
200
300
400
PACF Residuals
0.4
0.3
0.2
0.0
0.8
ACF Residuals
6
Lag
10
12
6
Lag
Figura D.1: Ajustes para los coeficientes del Nodo 1.

APENDICE
D. MAR EN CALMA DE HAWAI
87
Modelo Completo.
0.6 0.4 0.2
0.0
0.2
0.4
0.0
0.5
1.0
1.5
2.0
2.5
100
200
300
400
PACF Residuals
0.3
0.2
0.1
0.4
0.1
1.0
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.6
0.2
0.2
0.4
0.6
0.0
0.5
1.0
1.5
2.0
2.5
100
200
300
400
PACF Residuals
0.4
0.2
0.3 0.1
0.8
0.1
ACF Residuals
6
Lag
10
12
6
Lag
88
Modelo Completo.
0.3
0.1
0.1
0.2
0.3
0.4
0.6
0.8
1.0
1.2
100
200
300
400
PACF Residuals
0.2
0.2
0.4
0.0
1.0
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.3
0.1
0.1
0.2
0.3
0.4
0.6
0.8
1.0
1.2
100
200
300
400
PACF Residuals
0.4
0.2
0.4 0.2
0.0
0.8
ACF Residuals
6
Lag
10
12
6
Lag

APENDICE
89
Modelo Completo.
0.3
0.1 0.0
0.1
0.2
0.3
0.2
0.4
0.6
0.8
1.0
1.2
1.4
100
200
300
400
PACF Residuals
0.3
0.2
0.4
0.0
1.0
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.3
0.1
0.1
0.2
0.3
0.2
0.4
0.6
0.8
1.0
1.2
1.4
100
200
300
400
PACF Residuals
0.4
0.3
0.2
0.0
0.8
0.2
ACF Residuals
6
Lag
10
12
6
Lag
90
Modelo Completo.
0.2
0.1
0.0
0.1
0.2
0.1
0.2
0.3
0.4
0.5
0.6
0.7
100
200
300
400
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.2
0.1
0.0
0.1
0.2
0.1
0.2
0.3
0.4
0.5
0.6
0.7
100
200
300
400
PACF Residuals
0.2
0.15
0.4
0.00
0.8
0.15
ACF Residuals
6
Lag
10
12
6
Lag

APENDICE
91
Modelo Completo.
0.10
0.00
0.05
0.10
0.15
0.1
0.2
0.3
0.4
100
200
300
400
PACF Residuals
0.0
0.10
0.4
0.05
0.8
0.20
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.10
0.00
0.10
0.20
0.1
0.2
0.3
0.4
100
200
300
400
PACF Residuals
0.15
0.0
0.4
0.05
0.8
0.20
ACF Residuals
6
Lag
10
12
6
Lag
92
Modelo Completo.
0.05
0.00
0.05
0.10 0.05
0.15
0.25
0.35
100
200
300
400
PACF Residuals
0.10
0.0
0.4
0.00
0.8
0.10
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.05
0.00
0.05
0.10
0.05
0.15
0.25
0.35
100
200
300
400
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
6
Lag
10
12
6
Lag

APENDICE
93
Modelo Completo.
0.04
0.00
0.04
0.05
0.10
0.15
0.20
100
200
300
400
PACF Residuals
0.0
0.05
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.04
0.00
0.02
0.04
0.06
0.05
0.10
0.15
0.20
100
200
300
400
PACF Residuals
0.0
0.05
0.4
0.05
0.8
ACF Residuals
6
Lag
10
12
6
Lag
94
Modelo Completo.
0.02 0.00
0.02
0.04
0.06
0.02
0.06
0.10
0.14
100
200
300
400
PACF Residuals
0.2
0.10
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.02
0.02
0.04
0.06
0.02
0.06
0.10
0.14
100
200
300
400
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
6
Lag
10
12
6
Lag

APENDICE
95
Modelo Completo.
0.02
0.00
0.02
0.04
0.02
0.04
0.06
0.08
0.10
100
200
300
400
PACF Residuals
0.0
0.10
0.4
0.00
0.8
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.02
0.00
0.02
0.04
0.02
0.04
0.06
0.08
0.10
100
200
300
400
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
6
Lag
10
12
6
Lag
96
Bibliografa
[1] Aage, C., Allan, T., Carter, D., Lindgren, G. and Olagon, M. (1998)
Ocean from Space, A textbook for Offshore Engineers and Naval
Architects, Ifremer.
[2] Cowpertwait, P. S. and Metcalfe, A. V. (2009) Introductory Time Series
with R, Springer, New York.
[3] Cramer, H. and Leadbetter, M. R. (1967) Stationary and Related
Stochastic Processes, Wiley and Sons, Inc, New York.
[4] L
utkepohl, H. (2005) New Introduction to Multiple Time Series
Analysis, Springer, New York.
[5] Ochi, M.K. (2003) Hurricane Generated Seas, Elsevier.
[6] Ochi, M.K. (1998) Ocean Waves: The Stochastic Approach, Cambridge
University Press.
[7] Percival, D.B. and Walden, A.T. (1993) Spectral Analysis for Physical
Applications: Multitaper and Conventional Univariate Techniques,
Cambridge University Press.
[8] Ramsay, J. O. and Silverman, B. W. (2005) Functional Data Analysis,
Second Edition, Springer, New York.
[9] Shumway, R. H. and Stoffer, D. S. (2006) Time Series Analysis and its
Applications. With R Examples, Third Edition, Springer, New York.
97

Evolución Espectral de Olas PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Evolución Espectral de Olas PDF

Uploaded by

Copyright:

Available Formats

Centro de Investigacion en Matematicas, A.C.

Guanajuato, Guanajuato, Mexico

Integrantes del Jurado.

Presidente: Dr. Miguel Nakamura Savoy

Dr. Joaqun Ortega Sanchez.

LM. Carolina de Jes

Planteamiento del Problema y

La nocion de que una serie de tiempo exhibe un comportamiento regular

1.1. PLANTEAMIENTO DEL PROBLEMA Y

Figura 1.1: Componentes periodicos y la serie construida mediante la suma

Graficamente el comportamiento de esta serie se puede observar en la Figura

Cov(X(t + h), X(t)) = Cov(X(h), X(0)) = (h), t.

Entonces, decimos que X(t) es d

la cual es la transformada inversa de la densidad espectral, que tiene la

donde la integral estocastica se define como una integral en media cuadratica.

Una demostracion para cada uno de los teoremas anteriores se puede

1.1. PLANTEAMIENTO DEL PROBLEMA Y

es decir, la varianza total es la integral de la densidad espectral sobre el

B. Priestley comenzo a definir el termino densidad espectral para procesos

tienen aplicacion en varios conceptos relevantes, como son:

1.1. PLANTEAMIENTO DEL PROBLEMA Y

Figura 1.2: Altura de olas y espectro correspondientes a un periodo de 20

Para estudiar los espectros lo usual es utilizar densidades espectrales

con frecuencia modal p , y el espectro JONSWAP (JOint North-Sea WAve

donde = 0.07 para < p , = 0.09 para > p . El parametro es

1.1. PLANTEAMIENTO DEL PROBLEMA Y

donde c = (c1 , . . . , cK )T y (t) = (1 , . . . , K )T .

Figura 2.1: Bases de B-splines de orden 3 con 10 nodos y primera derivada

interpretacion a cada coeficiente. Por la forma de los elementos de la base

Figura 2.2: Ejemplo de ajuste B-spline.

2.2. MODELOS AUTORREGRESIVOS VECTORIALES (VAR)

Los sistemas de bases B-splines tienen una propiedad que es u

Modelos Autorregresivos Vectoriales (VAR)

Si las observaciones de una serie temporal de una variable de interes estan

2,1 2,2 . . . 2,m

son los parametros del modelo.

2.2. MODELOS AUTORREGRESIVOS VECTORIALES (VAR)

Producto Interno Bruto

Residuales para el GNP

2.2. MODELOS AUTORREGRESIVOS VECTORIALES (VAR)

Es importante verificar la correlacion de los residuos de los ajustes hechos

Predicciones para GNP

Figura 2.5: Predicciones para el a

2.2. MODELOS AUTORREGRESIVOS VECTORIALES (VAR)

Tormenta del Mar del Norte

El primer conjunto de datos corresponde a una tormenta en el Mar del

3.1. TORMENTA DEL MAR DEL NORTE

Espectros de la Tormenta del Mar del Norte

Altura Significativa (HS)

la evolucion en el tiempo de los coeficientes. Los resultados obtenidos se

Para el ajuste con B-splines consideramos la ubicacion de nodos

Error1 = sup | f () f() |,

donde f es el valor ajustado con el modelo B-spline.

3.1. TORMENTA DEL MAR DEL NORTE

0.0 0.2 0.4 0.6 0.8 1.0 1.2

0.005 0.010 0.015 0.020

Figura 3.2: Errores de los ajustes con diferente n

Coeficientes con 20 Nodos

Coeficientes con 10 Nodos

Ajustes con 10 Nodos

RMS residual = 0.0768

RMS residual = 0.046

3.1. TORMENTA DEL MAR DEL NORTE